미래 유비쿼터스 컴퓨팅은 언제 어디서나 지능형 모바일 단말들이 자율적으로 서비스를 제공받을 수 있는 유비쿼터스 지능 공간을 필요로 한다. 이러한 지능 공간의 자율적 구성을 위해 지능 공간에 속한 각 모바일 단말들은 다양한 소스로부터 컨텍스트(Conte박 상황) 정보를 수집하고 컨텍스트 정보로부터 유용한 정보를 추론할 수 있어야 한다. 특히 다양한 유비쿼터스 지능 공간으로부터 수집하고 컨텍스트 정보의 모호성을 극복하고 보다 정확한 상황 인지를 통한 지능형 서비스를 제공하기 위해서는 컨텍스트에 대한 표준 분류 기법(taxonomy) 및 분류된 컨텍스트 정보를 기반으로 하는 추론 기술이 요구된다. 이를 위해 기존의 유비쿼터스 지능 공간에 관련된 대부분의 기존의 연구들에서는 상황 인지 서비스 제공을 위해 CLIPS나 JESS와 같은 규칙 기반 추론 엔진이 주로 사용되고 있다. 그러나 기존의 추론 엔진들은 리소스가 제한된 모바일 단말에서 사용되기에는 한계를 가지고 있다. 따라서 본 논문에서는 모바일 단말을 위한 자율적인 상황인지 서비스를 제공하기 위한 경량 추론 엔진을 설계하고 구현하는 것을 목적으로 한다. 개발된 추론 엔진은 휴대폰이나 PMP, 네비게이션 둥과 같은 개인형 모바일 단말에서 자율적인 상황인지 기반 서비스를 제공하기 위해 사용될 수 있다. 또한, 계층적 분류체계(taxonomy) 정보를 활용함으로써 일반적인 룰(general rule) 또는 구체적인 룰(specific rule)의 선택적인 구성을 통해 다양한 수준의 컨텍스트가 실시간으로 수집되는 상황인지 컴퓨팅에서의 효율적인 상황인지 서비스의 구현을 지원한다.
미래 유비쿼터스 컴퓨팅은 언제 어디서나 지능형 모바일 단말들이 자율적으로 서비스를 제공받을 수 있는 유비쿼터스 지능 공간을 필요로 한다. 이러한 지능 공간의 자율적 구성을 위해 지능 공간에 속한 각 모바일 단말들은 다양한 소스로부터 컨텍스트(Conte박 상황) 정보를 수집하고 컨텍스트 정보로부터 유용한 정보를 추론할 수 있어야 한다. 특히 다양한 유비쿼터스 지능 공간으로부터 수집하고 컨텍스트 정보의 모호성을 극복하고 보다 정확한 상황 인지를 통한 지능형 서비스를 제공하기 위해서는 컨텍스트에 대한 표준 분류 기법(taxonomy) 및 분류된 컨텍스트 정보를 기반으로 하는 추론 기술이 요구된다. 이를 위해 기존의 유비쿼터스 지능 공간에 관련된 대부분의 기존의 연구들에서는 상황 인지 서비스 제공을 위해 CLIPS나 JESS와 같은 규칙 기반 추론 엔진이 주로 사용되고 있다. 그러나 기존의 추론 엔진들은 리소스가 제한된 모바일 단말에서 사용되기에는 한계를 가지고 있다. 따라서 본 논문에서는 모바일 단말을 위한 자율적인 상황인지 서비스를 제공하기 위한 경량 추론 엔진을 설계하고 구현하는 것을 목적으로 한다. 개발된 추론 엔진은 휴대폰이나 PMP, 네비게이션 둥과 같은 개인형 모바일 단말에서 자율적인 상황인지 기반 서비스를 제공하기 위해 사용될 수 있다. 또한, 계층적 분류체계(taxonomy) 정보를 활용함으로써 일반적인 룰(general rule) 또는 구체적인 룰(specific rule)의 선택적인 구성을 통해 다양한 수준의 컨텍스트가 실시간으로 수집되는 상황인지 컴퓨팅에서의 효율적인 상황인지 서비스의 구현을 지원한다.
In a ubiquitous computing environment, a ubiquitous smart space is required to help devices provide intelligent services. The smart space embedded with mobile devices should have the capabilities of collecting data and refining the data to contact. Unfortunately, the context information in a ubiquit...
In a ubiquitous computing environment, a ubiquitous smart space is required to help devices provide intelligent services. The smart space embedded with mobile devices should have the capabilities of collecting data and refining the data to contact. Unfortunately, the context information in a ubiquitous smart space has many ambiguous characteristics. Therefore, it is necessary to adapt a standard taxonomy for contact information in the smart space and to implement an inference technique of the context information based on taxonomy. Rule-based inference engine, such as CLIPS, Jess, was employed for providing situation-aware services. However, it is difficult for these engines to be used in resource limited mobile devices. In this paper, we propose a light-weight inference engine providing autonomous situation aware services in mobile environment. It can be utilized for personal mobile devices tuck as mobile phone, PMP and navigation. It can also support both generalized rules and specialized rules as using hierarchical taxonomy information.
In a ubiquitous computing environment, a ubiquitous smart space is required to help devices provide intelligent services. The smart space embedded with mobile devices should have the capabilities of collecting data and refining the data to contact. Unfortunately, the context information in a ubiquitous smart space has many ambiguous characteristics. Therefore, it is necessary to adapt a standard taxonomy for contact information in the smart space and to implement an inference technique of the context information based on taxonomy. Rule-based inference engine, such as CLIPS, Jess, was employed for providing situation-aware services. However, it is difficult for these engines to be used in resource limited mobile devices. In this paper, we propose a light-weight inference engine providing autonomous situation aware services in mobile environment. It can be utilized for personal mobile devices tuck as mobile phone, PMP and navigation. It can also support both generalized rules and specialized rules as using hierarchical taxonomy information.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 개인형 모바일 디바이스에서 유비쿼터스 지능형 서비스를 구현하기 위한 핵심 기술인 상황인지 추론 엔진E 구현 방법에 관해 논한다. II 장에서는 상황인지 서비스의 구현을 위해 규칙기반추론 엔진을 선택한 이유와 대표적인 규칙기반 추론엔진인 Rete 알고리즘에 대한 관련연구를 기술하고, HI장에서는 Rete 알고리즘의 확장을 통한 향상된 추론 알고리즘을 설명한다.
본 논문에서는 개인형 모바일 디바이스에서 지능형 상황인지 서비스를 구현하기 위한 핵심 기술로서 계층적 분류기법을 지원하는 규칙기반 주론엔진을 구현하기 위한 개선된 Rete 알고리즘을 제안한다. 제안된 알고리즘은 서비스 대상 도메인에 대한 컨텍스트정보의 계층적 분류 모델(taxonomy schema)를 표현하는 분류 네트워크(taxonomy network)를 구축하고 Rete 알파 네트워크를 수정하여 기존의 Rete 알고리즘에 계층적 분류에 대한 추론 기능을 추가하였다.
본 논문에서는 모바일 환경에 최적화된 상황인지 엔진의 개발을 위한..
본 논문에서는 모바일 환경에서의 지능형 서비스를 구현하기 위한 상황인지 엔진의 구현에 관해 기술하였다 기존의 추론 기법 및 추론 엔진들에 대한 조사를 기반으로 규칙기반 추론 기법인 Rete 알고리즘을 확장함으로써 유비쿼터스 모바일 디바이스 환경에 특화된 상황인지 추론엔진을 설계 및 구현하였다.
제안 방법
동작 메모리 사용량을 단계별로 비교하였으며, 비교를 위해 "주변의 디스플레이 장치 증 화면 크기가 30Cm 이상인 것을 추천'하는 서비스에 대한 규칙을 각 시스템에 맞게 작성하였고, 55개의 팩트(Fact)를 사용하였다. 메모리 사용량의 측정은 초기화 단계, 규칙의 추가 단계, 팩트의 추가 단계에서 수행하였다.
우리는 기존의 Rete 알파 네트워크에 "constant test node”의 의미를 확장한 “taxonomy test node”를 추가하였다. “taxonomy test node”는 WME와의 매칭 검사를 위해 단순 상수 비교가 아닌 계층적 분류체계 검색이 수행되어야 함을 의미한다.
개발을 위한..확장된 Rete 알고리즘을 제안하고 ARM 11 프로세서, 64MB RAM, 128MB 플래쉬 메모리로 구성된 모바일 플랫폼에서 구현하였다. 전방향 (forward chaining) 추론 엔진은 메모리 사용량이 많기 때문에 자원이 부족한 모바일 환경에서 사용이 어렵거나 불가능하다.
동작 메모리 사용량을 단계별로 비교하였으며, 비교를 위해 "주변의 디스플레이 장치 증 화면 크기가 30Cm 이상인 것을 추천'하는 서비스에 대한 규칙을 각 시스템에 맞게 작성하였고, 55개의 팩트(Fact)를 사용하였다. 메모리 사용량의 측정은 초기화 단계, 규칙의 추가 단계, 팩트의 추가 단계에서 수행하였다.
개선된 Rete 알고리즘을 제안한다. 제안된 알고리즘은 서비스 대상 도메인에 대한 컨텍스트정보의 계층적 분류 모델(taxonomy schema)를 표현하는 분류 네트워크(taxonomy network)를 구축하고 Rete 알파 네트워크를 수정하여 기존의 Rete 알고리즘에 계층적 분류에 대한 추론 기능을 추가하였다.
WME로부터수정된 Rete 알파' 네트워크의 : "taxonomy test hode ”를매핑시키는 기능을 수행한다: 즉, "taxonomy netwoi-k" 에서 WME에 포함된 분류 표현에 일치하는 "property node”를 검색한 후 "propsty node”에 연결된 모든 “taxonomy test node”를 . 활성화시킴으로써 추론을 수행한다.
대상 데이터
따라서 추론 엔진은 추론 대상 영역에 대한"키마를 모델링하고 이를 이용해야 한다. 본 논문에서는 트리 형태의 분류체계 스키마를 사용하며. 분류 네트워크 (taxonomy network)으로 명명한다.
이론/모형
본 구현의 메모리 사용량의 비교 평가를 위해서는 Rete 알고리즘을 기반으로 구현된 CLIPS와 Jess를 사용하였으며 동일한 서비스 시나리오 구현에 따른. 동작 메모리 사용량을 단계별로 비교하였으며, 비교를 위해 "주변의 디스플레이 장치 증 화면 크기가 30Cm 이상인 것을 추천'하는 서비스에 대한 규칙을 각 시스템에 맞게 작성하였고, 55개의 팩트(Fact)를 사용하였다.
성능/효과
이로 인해 제한적인 리소스를 가지는 모바일 디바이스에서 동작 가능한 경량 추론 엔진의 채발과 사용자의 아동에 따라 주변 환경에 대한 사전 정보가 없는 상태에서 수집된 주변의 컨텍스트 정보로부터、적절한 서비스를 제공하기 위한 추론의 추상화 및 구匆화에 관한기술의 개발이 요구된다. 즉 발표자에 게 발표 자료를, 공유할 수 있는 적절한 디스플레이장치를 추천하는 서비스가 있다고 할 때, 발표자가 새로운 강의실로 이동한경우 "빔프로젝터” 또는 "프로젝션 TV”에 대한 추론이 아닌 "디스플레이 디바이스를 검색하는 것이 효율적일 수 있다.
Jess는 자바로 국현되어 자바 버추얼 머신이 기본적으로 유지하는 메모리 및 규칙과 팩트의 추가에 따른 메모리 증가가'큰 것으로 나타났으며, CLIPS는 비교적 작은 메모리를 사용하지만 분류 체계 검색 지원을 위해 주가적인 규칙을 정의함에 따라 많은 메모리를 사용하고 있음을 알 수 있다. 결과를 통해 본 논문에서 제안하고 있는 확장 Rete 알고리즘이 주어진 시나리오에 효과적인 규칙의 생성에 따른 제한된 메모리 환경에서의 효율적인 운용이 가능함을 알 수 있다.
CUPS (C Language Implementation Production System)"'는 1985년 NAS A 의 Johnson Space Center내의 인공지능 연구실에서 개발된 것으로 C언어 기반의 대표적인 규칙기반의 추론엔진이다. 전체적으로 사용되는 명령어나 규칙의 형태는 LISP 언어와 비슷하며, Rete 알고리즘을 기반으로 구현되었다. JESS (Java Expert System Shell)'51 는 CLIPS의 발전된 버전으로 샌디아 국립연구소의 Ernest FiedmanTHill에의해 개발되었다.
중요한 역할을 수행한다. 즉, XPath'9]와 유사한 wild card( 服”)를 이용한 검색 기법을 이용함으로써 기존의 룰 기반 추론엔진들이 가지는 의미론적 추론의 한계를 극복할 수 있다. 그림 8은 계층적 분류체계에 따른 팩트와 룰의 표현 예를 보여준다.
후속연구
같은 특수성을 갖는다. 이로 인해 제한적인 리소스를 가지는 모바일 디바이스에서 동작 가능한 경량 추론 엔진의 채발과 사용자의 아동에 따라 주변 환경에 대한 사전 정보가 없는 상태에서 수집된 주변의 컨텍스트 정보로부터、적절한 서비스를 제공하기 위한 추론의 추상화 및 구匆화에 관한기술의 개발이 요구된다. 즉 발표자에 게 발표 자료를, 공유할 수 있는 적절한 디스플레이장치를 추천하는 서비스가 있다고 할 때, 발표자가 새로운 강의실로 이동한경우 "빔프로젝터” 또는 "프로젝션 TV”에 대한 추론이 아닌 "디스플레이 디바이스를 검색하는 것이 효율적일 수 있다.
특히 모바일 환경에서의 효율적인 추론을 위해 제안된 계층적 분류체계 지원을 통한 추론의 추상화 및 일반화 기법은 기존의 규칙기반 추론 엔진의 기능 확장을 통해 고차원 추론 엔진을 구현함으로써 모바일 커뮤니티 컴퓨팅 환경에서의 다양한 신규 서비스를 창출하는데 기여할 수 있을 것으로 기대된다.
참고문헌 (9)
H. Chen et al., Intelligent Agents Meet Semantic Web in a Smart Meeting Room. 3rd International Joint Conference on Autonomous Agents and Multiagent Systems, pp. 854-861, July, 2004
H. Chen, T. Finin, and A. Joshi. A context broker for building smart meeting rooms. In Proceedings of the Knowledge Representation and Ontology for Autonomous Systems Symposium, 2004 AAAI Spring Symposium. AAAI, March 2004
Jih, W. R.; Cheng, S. Y.; and Hsu, J. Y. J. Context-aware access control on pervasive healthcare. In EEE'05 Workshop: Mobility, Agents, and Mobile Services (MAM), 2005
G. Riley. CLIPS-A Tool for Building Expert Systems. http://www.ghg.net/clips/CLIPS.html, 2003
Friedman-Hill, Ernest J., JESS, Java Expert System Shell,Sandia Nation Laboratories, Livermore, CA, http://herzberg.ca.sandia.gov/jess
Doorenbos, R. B. Production Matching for Large Learning Systems, Doctoral dissertation, Computer Science Department, Carnegie Mellon Univ., 1995
Berglund, A., Boag, S., Chamberlin, D., Fernandez, M. F., Kay, M., Robie, J., and Simeon, J. 2002. XML Path Language (XPath) 2.0. Tech. Rep. W3C Working Draft, Version 2.0, World Wide Web Consortium. Aug. http://www.w3.org/TR/xpath20/
※ AI-Helper는 부적절한 답변을 할 수 있습니다.